前嗅ForeSpider数据采集教程:采集【中国证券网】的正文数据

原创
01/15 14:08
阅读数 160

一. 网站结构:

网站截图说明

 

2. 采集结果截图

检索列表链接

检索结果数据

 

二、配置模板:

第一步:新建任务

点击加号,在弹窗里填写采集地址,任务名称,如图

新建任务

点击下一步,选择进行数据抽取还是链接抽取,本次采集要闻列表页新闻的正文数据,正文数据是通过点击列表链接进入的,所以本次需要抽取列表链接,所以点击抽取链接,如图:

新建采集任务

 

第二步:通过地址过滤,得到所需的分区链接。

点击采集预览,在采集预览中有于目标链接相似的其他链接,可通过地址过滤得到分区链接。找到所需要的分区链接,区别于其他链接“http://news.cnstock.com/news/sns_yw”,右击复制链接:

勾选地址过滤,过滤规则选择包含,将复制的目标地址粘入,得到要闻分区链接,点击保存,如图:

点击下一步,接着点击采集预览确认链接是否过滤完全,如图

 

第三步:填写模板二示例地址并新建数据抽取

将模板一过滤得到分区链接,作为模板二的示例地址,如图。

创建列表链接抽取、翻页链接抽取。直接点击模板二,点击上面“新建链接抽取”按钮,得到链接抽取,并重命名,如图

进行列表链接抽取,按住Ctrl+鼠标左键,进行区域选择,按住Shift+鼠标左键,扩大选择区域,点击“确认选区”按钮,如图

 

点击采集预览确认链接是否过滤完全,如图

 

第四步:通过标题过滤,过滤翻页链接

点击采集预览,在采集预览中有于目标链接相似的其他链接,可通过地址过滤得到列表链接。通过观察发现目标链接都包含“http://news.cnstock.com/news,yw-”+数字,使用过滤串\d得到所需要的链接。右击复制链接,如图过滤串规则说明:\d 表示一串(个)数字。

 

勾选地址过滤,过滤规则选择包含,地址填入

点击模板预览,选择翻页链接抽取,确认链接是否过滤完全,如图

 

第五步:创建新的模板,并新建数据抽取

在模板配置,点击“新建模板”按钮,得到新建模板,重命名为数据抽取模板

将模板二新建链接抽取过滤得到的任意一条链接,作为模板三的示例地址。

 

得到数据抽取

关联模板

在软件中模板的关联关系,与网页中链接跳转的关系相同。

根据网页跳转规律,将“列表链接抽取”关联模板“新建模板:03”,如图

 

第六步:创建/选择表单

在ForeSpider爬虫中,表单是可以复用的,所以可以在数据表单出直接选择之前建过的表单,也可以通过表单ID来进行查找并关联数据表单。此处使用的方法三。

方法一:通过下拉菜单或表单ID选择已有表单

方法二:点击创建表单进入快速建表页面,新建表单。

方法三:点击“采集配置”-“数据建表”,点击采“采集表单”后面的配置表单。

 

根据所需内容,配置表单字段(即表头),此处配置了包括网页主键、标题、发布时间、来源、作者、正文内容、采集地址共7个字段,右上角保存,表单如图:

在数据抽取链接处关联表单,如图

第七步:字段取值

取值方法:按住Ctrl+鼠标左键,进行区域选择,按住Shift+鼠标左键,扩大选择区域。btmc字段,如图

 

第八步:模板预览

①鼠标右键点击“数据抽取”,然后点击“模板预览”,如图

预览结果如图

 

第九步:采集预览

点击右上角采集预览,如图

 

双任意一条链接,看看是否可以得到和网页对应的规整的数据,如下图

 

三. 数据采集

第一步:运行设置

运行设置处可以设置采集速度、采集策略、任务装载等

 

第二步:选择采集任务

在【任务列表】中勾选需要采集的任务,可勾选多个任务,同时采集。

第三步:开始采集

点击【开始采集】,系统开始进行采集。剩余任务数为0时,系统自动停止采集。用户也可以自己暂停任务或停止任务(停止任务会释放任务,再次启动时重新装载任务)。

 

第四步:数据浏览

采集一段时间以后,点击【数据浏览】,在数据列表中选中对应的数据表,即可浏览采集到的数据,点击【刷新】按钮可以同步显示数据。

 

第五步:导出数据

点击【导出】按钮,选择导出文件格式后保存。

保存数据

展开阅读全文
打赏
0
0 收藏
分享
加载中
更多评论
打赏
0 评论
0 收藏
0
分享
返回顶部
顶部